Skip to main content

Amazon Bedrock 的知识库

概述​

这将帮助你快速开始使用 AmazonKnowledgeBaseRetriever。如需了解 AmazonKnowledgeBaseRetriever 所有功能和配置的详细文档，请前往 API 参考。

Amazon Bedrock 的知识库是由 Amazon Web Services (AWS) 提供的端到端 RAG 工作流程的完全托管支持。 它提供了一整套数据摄入流程，将你的文档转换为嵌入（向量），并将这些嵌入存储在专用的向量数据库中。 Amazon Bedrock 的知识库支持多种流行的向量存储数据库，包括 Amazon OpenSearch Serverless 的向量引擎、Pinecone、Redis Enterprise Cloud、Amazon Aurora（即将推出）和 MongoDB（即将推出）。

集成详情​

检索器自托管云服务包Python 支持
AmazonKnowledgeBaseRetriever🟠 (详见下方)✅@langchain/aws✅

AWS 知识库检索器可在你自己的 AWS 基础设施上运行，从这个意义上说它可以“自托管”。但无法在其他云提供商或本地环境中运行。

配置​

要使用 AmazonKnowledgeBaseRetriever，你需要拥有一个 AWS 账户，以便管理你的索引和文档。在设置好账户后，设置以下环境变量：

process.env.AWS_KNOWLEDGE_BASE_ID=your-knowledge-base-id
process.env.AWS_ACCESS_KEY_ID=your-access-key-id
process.env.AWS_SECRET_ACCESS_KEY=your-secret-access-key

如果你想从单个查询中获得自动追踪，你也可以通过取消注释以下内容来设置你的 LangSmith API 密钥：

// process.env.LANGSMITH_API_KEY = "<YOUR API KEY HERE>";
// process.env.LANGSMITH_TRACING = "true";

安装​

此检索器位于 @langchain/aws 包中：

:::提示 请参阅安装集成包的一般说明部分。 :::

yarn add @langchain/aws @langchain/core

实例化​

现在我们可以实例化检索器：

import { AmazonKnowledgeBaseRetriever } from "@langchain/aws";

const retriever = new AmazonKnowledgeBaseRetriever({
  topK: 10,
  knowledgeBaseId: process.env.AWS_KNOWLEDGE_BASE_ID,
  region: "us-east-2",
  clientOptions: {
    credentials: {
      accessKeyId: process.env.AWS_ACCESS_KEY_ID,
      secretAccessKey: process.env.AWS_SECRET_ACCESS_KEY,
    },
  },
});

用法​

const query = "...";

await retriever.invoke(query);

在链式调用中使用​

与其他检索器类似，AmazonKnowledgeBaseRetriever 可以通过链式调用集成到 LLM 应用程序中。

我们需要一个 LLM 或聊天模型：

Pick your chat model:

Install dependencies

tip

See this section for general instructions on installing integration packages.

yarn add @langchain/groq

Add environment variables

GROQ_API_KEY=your-api-key

Instantiate the model

import { ChatGroq } from "@langchain/groq";

const llm = new ChatGroq({
  model: "llama-3.3-70b-versatile",
  temperature: 0
});
import { ChatPromptTemplate } from "@langchain/core/prompts";
import {
  RunnablePassthrough,
  RunnableSequence,
} from "@langchain/core/runnables";
import { StringOutputParser } from "@langchain/core/output_parsers";

import type { Document } from "@langchain/core/documents";

const prompt = ChatPromptTemplate.fromTemplate(`
Answer the question based only on the context provided.

Context: {context}

Question: {question}`);

const formatDocs = (docs: Document[]) => {
  return docs.map((doc) => doc.pageContent).join("\n\n");
};

// See https://js.langchain.com/docs/tutorials/rag
const ragChain = RunnableSequence.from([
  {
    context: retriever.pipe(formatDocs),
    question: new RunnablePassthrough(),
  },
  prompt,
  llm,
  new StringOutputParser(),
]);

:::提示

详见 我们的RAG教程 ，了解有关如上所示 RunnableSequence 的更多信息和示例。

:::

await ragChain.invoke("...");

API 参考​

有关 AmazonKnowledgeBaseRetriever 所有功能和配置的详细文档，请访问 API 参考。

Was this page helpful?


You can also leave detailed feedback on GitHub.